-
Patent Agency Ranking
公开(公告)号：CN113033482B
公开(公告)日：2024-01-30
申请号：CN202110425906.8
申请日：2021-04-20
Applicant: 上海应用技术大学
IPC: G06V20/58 , G06V10/82 , G06V10/40 , G06V10/764 , G06N3/0464 , G06N3/045 , G06N3/096
Abstract: 本发明公开了一种基于区域注意力的交通标志检测方法，包括步骤1：获取ImageNet数据集和TT100K交通标志数据集，在ImageNet数据集上预先训练ResNet50深度网络；步骤2：输入TT100K训练集图片，从预训练的ResNet50网络的第10、22、40和49层获取样本特征，构成特征金字塔，在Faster R‑CNN目标检测框架下对网络进行微调；步骤3：训练数据集以图片形式输入区域注意力模块，获取注意力图；步骤4：RPN网络使用特征金字塔的信息生成候选区域；步骤5：利用区域注意力图滤除注意力区域之外的候选区域，得到最终的检测结果。
-
公开(公告)号：CN114565655B
公开(公告)日：2024-02-02
申请号：CN202210186323.9
申请日：2022-02-28
Applicant: 上海应用技术大学
IPC: G06T7/50 , G06T7/13 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于金字塔分割注意力的深度估计方法，包括如下步骤：获取图像进行预处理；基于预处理的图像数据通过深度估计网络进行深度估计运算；输出预测深度图。其中，对所述图像数据进行深度估计包括：将预处理的图像数据输入金字塔分割注意力模块；将预处理的图像数据进行下采样并自底向上依次输入到多层边界融合模块，将浅层的信息依次传入到深层，提取出边缘信息；基于编码器的输出数据通过深度相关模块进行运算，并通过解码器输出；将解码器的输出结果与金字塔分割注意力模块和多层边界融合模块的输出进行融合，输出预测深度图。能够丰富特征空间，且考虑了全局区域的信息能够得到上下文之间的相关性，提高深度估计的准确性。
-
公开(公告)号：CN114565655A
公开(公告)日：2022-05-31
申请号：CN202210186323.9
申请日：2022-02-28
Applicant: 上海应用技术大学
Abstract: 本发明公开了一种基于金字塔分割注意力的深度估计方法，包括如下步骤：获取图像进行预处理；基于预处理的图像数据通过深度估计网络进行深度估计运算；输出预测深度图。其中，对所述图像数据进行深度估计包括：将预处理的图像数据输入金字塔分割注意力模块；将预处理的图像数据进行下采样并自底向上依次输入到多层边界融合模块，将浅层的信息依次传入到深层，提取出边缘信息；基于编码器的输出数据通过深度相关模块进行运算，并通过解码器输出；将解码器的输出结果与金字塔分割注意力模块和多层边界融合模块的输出进行融合，输出预测深度图。能够丰富特征空间，且考虑了全局区域的信息能够得到上下文之间的相关性，提高深度估计的准确性。
-
公开(公告)号：CN111461060A
公开(公告)日：2020-07-28
申请号：CN202010321962.2
申请日：2020-04-22
Applicant: 上海应用技术大学
Abstract: 本发明公开了一种基于深度学习和极限学习机的交通标志识别方法，包括以下步骤：步骤1：获取交通标志样本数据集，按照交叉验证的方法，按照10：1的比例随机分为训练数据集和测试数据集；步骤2：对数据集进行增强处理，得到分布均匀的训练样本集，并通过分布均匀的训练样本集训练神经网络模型；步骤3：利用VGG16网络生成的特征金字塔监测出交通标志；步骤4：利用极限学习机ELM分类器识别交通标志，利用全连接网络进行边界框回归。本发明是基于VGG16网络结构进行交通标志的检测，并采用极限学习机进行交通标志的识别；在德国公共数据集上有较好的检测与识别表现，且对不同类型的标志均有较快的检测与识别速度。
-
公开(公告)号：CN113033482A
公开(公告)日：2021-06-25
申请号：CN202110425906.8
申请日：2021-04-20
Applicant: 上海应用技术大学
Abstract: 本发明公开了一种基于区域注意力的交通标志检测方法，包括步骤1：获取ImageNet数据集和TT100K交通标志数据集，在ImageNet数据集上预先训练ResNet50深度网络；步骤2：输入TT100K训练集图片，从预训练的ResNet50网络的第10、22、40和49层获取样本特征，构成特征金字塔，在Faster R‑CNN目标检测框架下对网络进行微调；步骤3：训练数据集以图片形式输入区域注意力模块，获取注意力图；步骤4：RPN网络使用特征金字塔的信息生成候选区域；步骤5：利用区域注意力图滤除注意力区域之外的候选区域，得到最终的检测结果。
-
-
-
-
Search Results
5
records
(took 0.032 seconds)
